論文の概要: Self-supervised based general laboratory progress pretrained model for cardiovascular event detection

• arxiv url: http://arxiv.org/abs/2303.06980v2
• Date: Wed, 15 Mar 2023 03:05:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 10:34:33.805348
• Title: Self-supervised based general laboratory progress pretrained model for cardiovascular event detection
• Title（参考訳）: 心血管イベント検出のための自己監督型総合検査室進歩事前訓練モデル
• Authors: Li-Chin Chen, Kuo-Hsuan Hung, Yi-Ju Tseng, Hsin-Yao Wang, Tse-Min Lu, Wei-Chieh Huang, Yu Tsao
• Abstract要約: 自己指導型学習と転帰型学習を利用して, 心臓血管実験室パラメーターの患者進行傾向を, 有意な症例から, 稀な, 特定の心血管イベント検出に移行した。 高血圧患者(まだ糖尿病ではない)を用いたGLPプレトレインモデルの事前訓練を行い,TVR(ターゲット血管再血管新生)の検出に有効であった。 提案した2段階トレーニングプロセスはSSLよりも優れており、すべてのメトリクスは以前のGLP処理よりもかなり優れていた(p 0.01)。
• 参考スコア（独自算出の注目度）: 8.31367822264174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regular surveillance is an indispensable aspect of managing cardiovascular disorders. Patient recruitment for rare or specific diseases is often limited due to their small patient size and episodic observations, whereas prevalent cases accumulate longitudinal data easily due to regular follow-ups. These data, however, are notorious for their irregularity, temporality, absenteeism, and sparsity. In this study, we leveraged self-supervised learning (SSL) and transfer learning to overcome the above-mentioned barriers, transferring patient progress trends in cardiovascular laboratory parameters from prevalent cases to rare or specific cardiovascular events detection. We pretrained a general laboratory progress (GLP) pretrain model using hypertension patients (who were yet to be diabetic), and transferred their laboratory progress trend to assist in detecting target vessel revascularization (TVR) in percutaneous coronary intervention patients. GLP adopted a two-stage training process that utilized interpolated data, enhancing the performance of SSL. After pretraining GLP, we fine-tuned it for TVR prediction. The proposed two-stage training process outperformed SSL. Upon processing by GLP, the classification demonstrated a marked improvement, increasing from 0.63 to 0.90 in averaged accuracy. All metrics were significantly superior (p < 0.01) to the performance of prior GLP processing. The representation displayed distinct separability independent of algorithmic mechanisms, and diverse data distribution trend. Our approach effectively transferred the progression trends of cardiovascular laboratory parameters from prevalent cases to small-numbered cases, thereby demonstrating its efficacy in aiding the risk assessment of cardiovascular events without limiting to episodic observation. The potential for extending this approach to other laboratory tests and diseases is promising.
• Abstract（参考訳）: 定期的な監視は、循環器疾患の管理に不可欠である。 稀な疾患や特定の疾患に対する患者の採用は、患者の大きさやエピソード的観察によって制限されることが多い。 しかしこれらのデータは、その不規則さ、時間性、不在感、および疎遠さで悪名高い。 本研究は, 自己教師型学習(SSL)と移動学習を利用して, 上記の障壁を克服し, 心臓血管実験室パラメータの患者進行傾向を有意な症例から, 稀な, 特定の心血管イベント検出に移行した。 高血圧症患者(まだ糖尿病患者)を用いた総合検査前トレーニングモデル(glp)をプレトレーニングし,その臨床経過を経皮的冠動脈インターベンション患者における標的血管再血管化(tvr)の検出に移管した。 GLPは補間データを利用した2段階のトレーニングプロセスを採用し、SSLの性能を高めた。 プレトレーニング後,TVR予測のために微調整を行った。 提案された2段階のトレーニングプロセスはSSLを上回った。 glpで処理すると、その分類は、平均精度で 0.63 から 0.90 に向上した。 従来のGLP処理と比較して,全ての指標が有意に優れていた(p < 0.01)。 この表現は、アルゴリズム機構と多種多様なデータ分布傾向とは無関係に、明確な分離性を示した。 本手法は, 既往例から小規模症例への循環器検査の進展傾向を効果的に伝達し, エピソード観察を伴わずに心血管イベントのリスク評価を支援する効果を示す。 このアプローチを他の検査や疾患にも拡張する可能性は有望です。

関連論文リスト

• Ischemic Stroke Lesion Prediction using imbalanced Temporal Deep Gaussian Process (iTDGP) [2.649401887836554]
  急性虚血性脳卒中(AIS)は、動脈閉塞により突然脳への血液供給が中断されたときに起こる。 CT(Computed Tomography Perfusion)画像から抽出した3次元計測マップをしきい値として評価する現在の標準AIS評価法は十分ではない。 ベースラインガウス時系列を用いてAIS予測を改善する確率モデルであるiTDGPを提案する。
  論文  参考訳（メタデータ） (2022-11-16T17:32:29Z)
• BITES: Balanced Individual Treatment Effect for Survival data [0.0]
  患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。 時間から時間までのデータは、治療最適化にはほとんど使われない。 我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-05T10:39:31Z)
• Causal Effect Variational Autoencoder with Uniform Treatment [50.895390968371665]
  因果効果変動オートエンコーダ(CEVAE)をトレーニングし、観察処理データから結果を予測する。 均一処理変分オートエンコーダ (UTVAE) は, 重要サンプリングを用いて均一な処理分布を訓練する。
  論文  参考訳（メタデータ） (2021-11-16T17:40:57Z)
• Survival Prediction of Heart Failure Patients using Stacked Ensemble Machine Learning Algorithm [0.0]
  心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。 データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。 本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
  論文  参考訳（メタデータ） (2021-08-30T16:42:27Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Longitudinal modeling of MS patient trajectories improves predictions of disability progression [2.117653457384462]
  本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。 本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。 文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
  論文  参考訳（メタデータ） (2020-11-09T20:48:00Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• Forecasting adverse surgical events using self-supervised transfer learning for physiological signals [7.262231066394781]
  本稿では,PHASE という,伝送可能な埋め込み方式(時系列信号を予測機械学習モデルのための入力特徴に変換する方法)を提案する。 我々は,2つの手術室(OR)データセットと集中治療室(ICU)データセットの5万件以上の手術群について,分単位でPHASEを評価した。 1つのデータセットに埋め込みモデルを訓練し、信号を埋め込み、未知のデータに有害事象を予測する伝達学習環境において、PHASEは従来の手法に比べて計算コストの低い精度で予測精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-12T02:49:15Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。